Gaussian Process Vector Autoregressions and Macroeconomic Uncertainty
高斯过程向量自回归与宏观经济不确定性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确提出宏观多变量时间序列模型，并分析不确定性的 VAR 传导机制。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
高斯过程向量自回归与宏观经济不确定性
- 研究问题
- 研究如何灵活刻画大量宏观序列与其滞后值的关系，并分析宏观不确定性传导中的时变性与非对称性。
- 方法与思路
- 作者为条件均值函数设置高斯过程先验，结合灵活的随机波动率模型，并用可扩展的 MCMC 算法估计。
- 材料陈述的贡献
- 摘要提出非参数 GP-VAR 及相应估计算法，用于分析不确定性冲击传导；未报告具体效应方向或数值结果。
- 阅读关注点
- 应核对高斯过程先验、随机波动率设定和算法扩展性，以及不确定性冲击如何识别、非对称传导如何度量。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断冲击识别条件、计算成本或实证效果，也不能推断后续刊本变化。
原文摘要
We develop a nonparametric multivariate time series model that remains agnostic on the precise relationship between a (possibly) large set of macroeconomic time series and their lagged values.The main building block of our model is a Gaussian process prior on the functional relationship that determines the conditional mean of the model, hence, the name of Gaussian process vector autoregression (GP-VAR).A flexible stochastic volatility specification is used to provide additional flexibility and control for heteroscedasticity.Markov chain Monte Carlo (MCMC) estimation is carried out through an efficient and scalable algorithm which can handle large models.The GP-VAR is used to analyze the effects of macroeconomic uncertainty, with a particular emphasis on time variation and asymmetries in the transmission mechanisms.